uji asumsi klasik

UJI ASUMSI KLASIK

NETTA GRACE SAMOSIRMARCIA MARTHA

NOFALY

NORMALITAS

Biasa disebut Uji Normalitas Residual. Bertujuan untuk menguji apakah dalam model regresi, data residual berdistibusi normal atau

tidak.

2 cara pengujian : 1. Metode Grafik -> Normal Probability Plot2. Metode Non Grafik -> Kolmogorov-Smirnov

CONTOH

GRAFIK

HASIL

Acuan :Distribusi normal akan membentuk garis diagonal & titik-titik dot akan menyebar di sekitar garis diagonal tersebut.

Hasil :Pada gambar terlihat titik-titik menyebar disekitar garis diagonal dan mengikuti arah garis diagonal. Hal ini menunjukkan bahwa model regresi MEMENUHI ASUMSI NORMALITAS

NON GRAFIK

Acuan : Apabila Asymp. Sig (2-tailed) dari uji Kolmogorov-Smirnov bernilai di atas atau sama dengan 0,05 maka, data berdistribusi normal dan sebaliknya.

Hasil Pengujian : Dari uji Kolmogorov-Smirnov pada gambar diatas, menunjukkan bahwa data terdistribusi normal, dengan nilai Asymp. Sig (2-tailed) 0,602 lebih besar sama dengan 0,05

MULTIKOLINEARITAS

Untuk menguji apakah dalam suatu model regresi terjadi korelasi yang tinggi atau tidak antar

variabel independen

Acuan penentu ada tidaknya MULTIKOLINEARITAS : 1. TIDAK TERJADI MULTIKOLINEARITAS

Tolerance > 0,1 ; VIF < 10

2. TERJADI MULTIKOLINEARITASTolerance < 0,1 ; VIF > 10 Tolerance =

1/VIF

CONTOH

HASIL

Dividend Payout Ratio Tolerance (0.817) > 0,1VIF (1.223) < 10

Return on EquityTolerance (0.860) > 0,1VIF (1.163) < 10

Debt to Equity RatioTolerance (0.935) > 0,1VIF (1.070) < 10

Tidak terjadi Multikolinearitas

Tidak terjadi Multikolinearitas

Tidak terjadi Multikolinearitas

Kesimpulan : TIDAK TERJADI MULTIKOLINEARITAS. Sehingga data Dividend Payout Ratio, Return on Equity, dan Debt to Equity Ratio baik digunakan dalam model regresi

Ingat!!! Apabila terdapat 1 saja data yang terjadi multikolinearitas, berarti terdapat korelasi antar variabel. Lebih baik variabel tersebut diganti atau dibuang saja.

HETEROSKEDASTISITAS

Digunakan untuk menguji apakah dalam suatu model regresi terdapat kesamaan atau

ketidaksamaan varians antara pengamatan yang satu dengan yang lainnya

2 cara pengujian :• GRAFIK -> Scatterplot• NON GRAFIK

METODE NON GRAFIK

• UJI GLEJSER• UJI PARK• METODE KORELASI SPEARMAN• METODE GOLDFELT QUANDT• METODE WHITE HETEROSCEDASTICITY

GRAFIK

Acuan :Titik-titik menyebar & tidak membentuk pola tertentu Hasil :Pada gambar terlihat titik-titik menyebar & tidak membentuk pola tertentu, maka tidak terjadi heteroskedastisitas sehingga data baik digunakan dalam model regresi.

NON GRAFIK -> UJI GLEJSER

Acuan :

• Jika nilai signifikansi lebih besar dari 0,05, kesimpulannya adalah tidak terjadi heteroskedastisitas.

• Jika nilai nilai signifikansi lebih kecil dari 0,05, kesimpulannya adalah terjadi heteroskedastisitas.

Hasil

Motivasi (X1) Sig = 0,004 < 0,05Artinya, terjadi heteroskedastisitas pada variabel Motivasi (X1)

Minat (X2) Sig = 0,009 < 0,05Artinya, terjadi heteroskedastisitas pada variabel Minat (X2)

AUTOKOLERASI

Dapat dilakukan dengan uji durbin watson. Uji durbin watson digunakan untuk autokorelasi tingkat satu (first order autocorrelation) dan mensyaratkan adanya intercept (konstanta) dalam model regresi dan tidak ada variabel lag di antara variabel bebas.

CONTOH

Hipotesis:Ho : tidak ada autokorelasiHa : ada autokorelasi

Keputusan:

CONTOH

Nilai DW sebesar 2,061, nilai ini akan kita bandingkan dengan nilai tabel dengan menggunakan derajat kepercayaan 5%, jumlah sampel 100 dan jumlah variabel bebas 4.

Oleh karena nilai DW 2,061 lebih besar daripada batas atas (du) 1,76 maka dapat disimpulkan tidak terdapat autokorelasi pada model regresi.

Tabel durbin watson

Thank You

Any Question?????